蜂窝填充薄壁盒式梁的约束弯曲

在刚性剖面假设的基础上分析具有蜂窝芯材薄壁盒式梁约束弯曲问题。应用分离变量法,建立并求解了两个常微分支配方程。边界条件可以精确满足,同时,解答是用本征函数展开式表达的。剪力图是由三角级数表示的,并用于决定上述本征函数展开式的待定系数。计算结果给出了蒙皮正应力与剪应力以及蜂窝芯材剪应力沿翼弦和翼展的分布规律并显示了附加应力的衰减情况。     

跨声速翼型优化设计的复变量方法应用研究

应用复变量方法计算目标函数关于设计变量的灵敏度,以此进行优化设计.该方法尽管计算量较大,但求灵敏度简单易行,适合目标函数比较复杂的情形,而且精度很高,几乎不受扰动步长影响,数值优化过程特别健壮,所以非常适用于设计变量不多或气动力计算很快的情况.     

飞机液压管道动特性研究及疲劳寿命估算

对于飞机液压管道的疲劳破坏现象,从液压管道系统的动力学特性人手进行研究,得到管道结构在油液压力脉动作用下的位移及应力时间历程,在此基础上应用局部应力应变法对管道结构的裂纹萌生寿命进行估算,由断裂力学的方法得出管道结构的裂纹扩展寿命,从而得出管道结构的全寿命。此计算结果为管道结构的设计及优化提供了理论参考。     

基于微分进化算法的航空发动机模型修正

为了提高航空发动机性能仿真模型精度,采用微分进化算法对发动机部件特性进行修正.对微分进化算法进行改进,提出折线式交叉变量变化方式,提高了算法的寻优能力.提出变步长牛顿-拉夫逊迭代算法,基于平衡方程残差范数变化趋势,改变牛顿-拉夫逊算法迭代计算步长,提高了模型的收敛性和收敛速度.在设计点,对各部件特性、引气系数、总压恢复系数进行修正,使修正后的模型输出与试验数据相匹配.仿真结果表明:改进后的牛顿-拉夫逊迭代算法收敛性更强、计算速度更快,修正后的各输出参数的最大建模误差减小到1.3762％,满足建模误差需求.     

纤维增强复合材料涡轮轴结构疲劳寿命预测

研究了连续纤维增强复合材料低压涡轮轴结构在给定低循环载荷作用下的疲劳寿命估算方法.考虑连续纤维增强复合材料结构特性,研究了基于局部应力应变法的低周疲劳寿命预测方法,并对预测方法的有效性进行了验证.基于此方法,计算了某型航空发动机低压涡轮轴的最大应力、应变和疲劳寿命.结果表明:在0°~90°范围内,45°铺层角度的复合材料层疲劳寿命值最大;当金属厚度不变,外层金属和首层复合材料层的疲劳寿命随复合材料厚度增加而增大;当轴结构壁厚保持6mm不变,减小复合材料层的厚度,同时相应增大最内层或最外层金属包套的厚度,其结构疲劳寿命都随着复材层的厚度减小而减小;外层金属包套的寿命则远大于首层复合材料的疲劳寿命.      

显著变量识别与高温叶片多学科设计优化方法

针对高温叶片气热多学科优化设计问题中设计变量过多造成的维数灾难问题,提出了基于数据挖掘技术的显著变量识别方法。采用显著变量识别方法剔除了对高温叶片Mark II气热性能影响小的设计变量,使设计变量个数从36个减少为15个。通过耦合共轭换热分析方法、三维叶片及冷却系统参数化方法以及自适应多目标差分进化算法,建立了高温叶片多学科多目标设计优化系统。基于显著变量识别方法获得的设计变量,完成了Mark II型叶片的气热性能多学科设计优化。优化获得了9个Pareto解,典型Pareto解的气热分析结果表明,优化后叶片的气热性能明显优于原始叶片,验证了基于数据挖掘技术的高温叶片多学科设计方法的有效性。     

航空发动机PID神经网络解耦控制

对航空发动机的双变量解耦控制方法进行了研究,提出了一种基于遗传算法的PID神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习,克服了BP算法易陷入局部权值的缺点,并具有PID神经网络控制器结构简单规范、动态和静态性能良好等优点。     

Gamma-Theta转捩模型在绕翼型流动问题中的应用

在非结构RANS求解器上实现了完全基于流场当地变量和转捩经验关系式的γ-Reθ转捩模型,并利用该模型对S809和NLF0416两种翼型在中等迎角以及大迎角下的低湍流度绕流问题进行了计算.计算结果表明该模型可以准确地预测自然转捩、分离泡转捩和再层流化等各种转捩现象,中等迎角下预测的转捩发生位置和升阻力系数与实验吻合较好,大迎角下该模型也捕捉到了前缘分离泡.同时计算结果也表明该模型预测结果受物面流向网格密度和对流项数值离散格式影响较大,计算时须加以注意.     

第4代战斗机发动机控制系统和其技术特点

综述了EJ200、M88-2、F119、F135等第4代战斗机发动机控制系统的设计思想、硬件和软件结构,总结了其采用的全功能数字式发动机控制系统(FADEC)、容错控制技术、故障诊断与隔离技术、多变量控制技术等的特点.     

基于偏最小二乘的向后删除变量法及其在均匀设计中的应用

针对均匀设计中的小样本数据处理问题,讨论了一种偏最小二乘与向后删除变量法相结合的变量筛选方法。首先,利用偏最小二乘建立包含尽可能多的关键自变量的全模型,然后将向后删除变量法中的每一次最小二乘回归替换为偏最小二乘回归,得到基于偏最小二乘的向后删除变量法。实验结果表明,与逐步回归法相比．该方法的预测能力明显提高,且具有更好的稳定性。